|
การพัฒนาโปรเกรสซีฟเว็บแอปร่วมกับปัญญาประดิษฐ์สำหรับการจำแนกโรคใบข้าว |
|---|---|
| รหัสดีโอไอ | |
| Creator | ปิยะพงษ์ แดงขำ |
| Title | การพัฒนาโปรเกรสซีฟเว็บแอปร่วมกับปัญญาประดิษฐ์สำหรับการจำแนกโรคใบข้าว |
| Contributor | วดีนาถ วรรณสวัสดิ์กุล |
| Publisher | Faculty of Engineering and Industrial Technology, Kalasin University |
| Publication Year | 2569 |
| Journal Title | วารสารวิศวกรรมและเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยกาฬสินธุ์ |
| Journal Vol. | 4 |
| Journal No. | 2 |
| Page no. | 25-39 |
| Keyword | โรคใบข้าว, ปัญญาประดิษฐ์, Teachable Machine, Progressive Web Apps |
| URL Website | https://ph03.tci-thaijo.org/index.php/JEIT |
| Website title | วารสารวิศวกรรมและเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยกาฬสินธุ์ |
| ISSN | ISSN 2985-0274 (Print),ISSN 2985-0282 (Online) |
| Abstract | งานวิจัยนี้นำเสนอการพัฒนาแอปพลิเคชัน RiceCare PWA สำหรับจำแนกโรคใบข้าวโดยใช้เทคโนโลยีปัญญาประดิษฐ์ร่วมกับ Progressive Web Apps (PWA) เพื่อให้เกษตรกรสามารถวิเคราะห์โรคจากภาพใบข้าวได้อย่างสะดวก รวดเร็ว และใช้งานได้แม้ในพื้นที่ที่มีสัญญาณอินเทอร์เน็ตจำกัด โมเดลปัญญาประดิษฐ์ได้รับการฝึกด้วยชุดข้อมูลภาพ 6 คลาสจาก Rice Leafs Disease Dataset โดยใช้แพลตฟอร์ม Google Teachable Machine ก่อนทำการประเมินประสิทธิภาพด้วยตัวชี้วัดเชิงสถิติ 8 รายการ ประกอบไปด้วย Precision, Recall, F1-Score, Specificity, NPV, FPR, FNR และ MCC ผลลัพธ์แสดงให้เห็นว่าโมเดลมีความแม่นยำสูง โดยค่า Precision อยู่ระหว่าง 0.70–0.78 ค่า Recall อยู่ระหว่าง 0.72–0.82 และค่า MCC อยู่ในช่วง 0.65–0.76 สะท้อนถึงความเสถียรและความสอดคล้องของผลทำนายเมื่อเทียบกับข้อมูลจริง แอปพลิเคชัน RiceCare พัฒนาในรูปแบบ PWA เพื่อให้ประมวลผลแบบออฟไลน์ได้ซึ่งจะสะดวกในการใช้งานภาคสนามที่อาจไม่มีสัญญาณอินเตอร์เน็ต การทดสอบระบบบนสมาร์ตโฟน Android จำนวน 6 รุ่น พบว่าเวลาเฉลี่ยในการประมวลผลภาพเพียง 1.46 วินาที และมีอัตราความสำเร็จในการทำงานสูงถึงร้อยละ 99.4 แม้จะพบความล่าช้าเพียงเล็กน้อยในการโหลดครั้งแรกที่ต้องดาวน์โหลดโมเดล ผลการทดสอบภาคสนามในแปลงนาจำนวน 200 ภาพ พบว่าผลการจำแนกของแอปสอดคล้องกับเกษตรกรถึงร้อยละ 90.5 โดยเฉพาะใบข้าวปกติที่ตรงกันเกือบร้อยละ 100 แสดงถึงศักยภาพของแอปในการสนับสนุนการวินิจฉัยโรคในสภาพแวดล้อมจริง นอกจากนี้ผลการประเมินความพึงพอใจจากผู้ใช้งานจริง 10 รายอยู่ในระดับดีมาก ด้วยค่าเฉลี่ย 4.65 ผลการวิจัยยืนยันว่า RiceCare PWA เป็นเครื่องมือที่มีประสิทธิภาพในการตรวจโรคใบข้าว ช่วยลดเวลาการวินิจฉัย เพิ่มความแม่นยำ และเป็นแนวทางสำคัญในการประยุกต์ AI และ PWA เพื่อสนับสนุนการเกษตรอัจฉริยะในระดับชุมชนอย่างยั่งยืน |
